我们正在寻找一位专注于AI模型训练平台构建与优化的技术专家，负责模型训练平台及训练任务的优化，确保平台稳定性、高效率和可扩展。 1. 训练平台架构设计与构建。基于云原生技术设计和实现大规模AI模型训练平台，支持千卡规模以上的分布式训练任务；构建高效的资源调度和管理系统，优化GPU计算资源的利用率，确保平台的高性能和可扩展性。 2. 大规模训练稳定性优化。解决大规模训练过程中的稳定性问题，包括软硬件故障、通信瓶颈、数据同步与加速等；设计和实现容错机制，确保训练任务在硬件或网络故障时能够快速恢复。 3. 故障定位与诊断。设计和实现高效的故障定位系统，能够在大规模集群的复杂环境中快速定位故障点；利用日志分析、性能监控和分布式追踪技术，实时监控训练任务的运行状态，快速识别和修复问题；简化故障排查流程，减少人工干预。 4. 训练效率提升。利用大模型训练的优化技巧，结合自动驾驶场景的超大数据集，持续优化提升整体训练效率；